內容簡介

PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發佈的一個全新的機器學習工具套件，一經推出便受到業界廣泛關注
和討論，目前已經成為機器學習從業人員首選的一款研發工具。​
​
本書是使用PyTorch建構神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的高階知識、機器學習基礎知識、深度學習在電腦視覺上的應用、深度學習在序列資料和文字當中的應用、生成網路、現代網路架構，以及PyTorch與深度學習的未來走向。​
​
本書適合對深度學習領域感興趣且希望一探PyTorch究竟的業界人士閱讀。具備其他深度學習框架使用經驗的讀者，也可以透過本書掌握PyTorch的用法。​
​
本書範例檔：​
https://github.com/PacktPublishing/Deep-Learning-with-PyTorch

作者簡介

Vishnu Subramanian​
Vishnu Subramanian在領導、程式建構和實作大數據分析專案（人工智慧、機器學習和深度學習）方面富有經驗。擅長機器學習、深度學習、分散式機器學習和視覺化等。在零售、金融和旅行等行業頗具經驗，還善於理解和協調企業、人工智慧和工程團隊之間的關係。

內容目錄

第1章 PyTorch與深度學習​
1.1 　人工智慧​
1.2 　機器學習​
1.3 　深度學習​
1.4 　小結​

第2章 神經網路的構件​
2.1 　安裝PyTorch​
2.2 　實作第一個神經網路​
2.3 　小結​

第3章 深入瞭解神經網路​
3.1 　詳解神經網路的構件​
3.2 　小結​

第4章 機器學習基礎​
4.1 　三種機器學習問題​
4.2 　機器學習術語​
4.3 　評估機器學習模型​
4.4 　資料前處理與特徵工程​
4.5 　過度擬合與欠擬合​
4.6 　機器學習專案的工作流程​
4.7 　小結​

第5章 應用於電腦視覺的深度學習​
5.1 　神經網路簡介​
5.2 　從零開始建立CNN 模型​
5.3 　建立與探索VGG16 模型​
5.4 　計算預卷積特徵​
5.5 　理解CNN 模型如何學習​
5.6 　 CNN 層的視覺化權重​
5.7 　小結​

第6章 序列資料和文本的深度學習​
6.1 　使用文本資料​
6.2 　透過建立情感分類器訓練詞嵌入​
6.3 　使用預訓練的詞嵌入​
6.4 　遞迴神經網路（RNN）​
6.5 　長短期記憶（LSTM）​
6.6 　使用序列資料的卷積網路​
6.7 　小結​

第7章 生成網路​
7.1 　神經風格轉換（neural style transfer）​
7.2 　生成對抗網路（GAN）​
7.3 　深度卷積生成對抗網路（DCGAN）​
7.4 　建立語言模型​
7.5 　小結​

第8章 現代網路架構​
8.1 　現代網路架構​
8.2 　密集連接卷積網路（DenseNet）​
8.3 　模型集成​
8.4 　encoder-decoder 架構​
8.5 　小結​

第9章 未來走向​
9.1 　未來走向​
9.2 　回顧​
9.3 　有趣的創意應用​
9.4 　如何跟上最新進展​
9.5 　小結